技能介绍
Product-Manager-Skills 是 Dean Peters（Productside 顾问）整理的产品管理技能库，收录 70 个经过实战检验的产品管理框架，适用于 Claude、Codex、ChatGPT 以及任何能阅读结构化知识的 AI 代理。页面标注为「49 个 PM 技能 + 6 个命令工作流」，组合内包含 55 个可安装子 Skill。
它的出发点很直接：当你告诉 AI 代理「写一份 PRD」却没有共享上下文时，得到的是通用输出。这个库提供了你和代理都可以依赖的专业框架——每项技能都包含其背后的原理、常见陷阱以及正确应用的指导，为代理补上共享上下文和专业判断。
适用场景
- 用 problem-framing canvas 重新梳理需求，区分用户问题、业务目标和验证假设，避免团队解决错误的问题
- 为产品机会画一棵 Opportunity Solution Tree，并推荐最小 PoC
- 准备一场用户发现访谈，输出《妈妈测试》风格的问题与访谈后整理模板
- 需要一份结构化 PRD，走「问题 → 角色 → 解决方案 → 指标 → 故事」的完整链路
- 面对一堆需求不知用哪种排序方法，想知道 RICE、ICE、Kano 哪个更合适
- 要给 SaaS 业务做增长、留存、效率与资本层面的健康诊断
核心能力
技能按任务分成若干组，覆盖 PM 的主要工作面：
框架与战略：problem-framing-canvas（MITRE 的向内看 / 向外看 / 重新构建序列，阻止团队解决错误的问题）、positioning-statement（Geoffrey Moore 模板，定义你服务谁、解决什么问题、独特之处在哪）、product-strategy-session（定位 → 问题框架 → 方案探索 → 路线图，2-4 周）。
利益相关者协调：stakeholder-identification（先广泛头脑风暴，再分盟友/受众/影响者，做 R/P/D 标记与公平性视角，最后缩小到优先目标）、stakeholder-mapping（权力 × 利益、影响 × 权力两套网格对比找差距）、stakeholder-engagement-advisor（为每个利益相关者给出信息框架、媒介、节奏与下一步）。
客户发现与研究：discovery-interview-prep、opportunity-solution-tree、discovery-process（框架 → 研究 → 综合 → 验证，3-4 周）。
优先级与路线图：prioritization-advisor（先问 3-5 个背景问题，再推荐 RICE、ICE、Kano 或替代方案）、epic-breakdown-advisor（使用 Richard Lawrence 的 9 种模式拆分大型史诗）、roadmap-planning（收集输入 → 定义史诗 → 确定优先级 → 排序 → 沟通，1-2 周）。
编写 PM 交付物：user-story（Mike Cohn 格式 + Gherkin 验收标准，含反模式）、prd-development、press-release（Amazon 逆向工作法，先明确产品愿景）。
验证与实验：pol-probe-advisor（按假设与风险水平推荐原型类型）、pol-probe（构建前记录轻量级验证实验）。
财务与增长：business-health-diagnostic、organic-growth-advisor（McKinsey 增长金字塔分类，诊断约束来自新细分市场、地区、渠道还是产品）、feature-investment-advisor（用收入影响、成本、ROI 和战略价值给出构建 / 不构建建议）。
市场与竞争情报：intel-discipline-advisor 是入口，把问题分流到正确的情报学科；competitive-analysis-process 是六步总框架；调查链 market-landscape-scan → competitive-research-snapshot → competitive-intel-watch → battle-card-builder 每一步复用前一步的 schema，让研究变成持续节奏而非一次性演示；tam-sam-som-calculator 提供三种市场规模测算方式，怀疑的 CFO 可以一次攻击一个假设。
职业与领导力转型：director-readiness-advisor（准备、面试、新上任、重新校准四种情境）、vp-cpo-readiness-advisor、executive-onboarding-playbook（VP/CPO 过渡的 30-60-90 天诊断）。
AI 产品工作：ai-shaped-readiness-advisor（评估你是在自动化任务还是重新设计工作方式）、context-engineering-advisor（区分上下文填充与上下文工程，指导 AI 驱动产品的记忆架构）、agent-orchestration-advisor（四个维度指导多代理工作流设计）。
效果预览
每个 SKILL.md 都遵循统一结构，这正是代理能稳定消化的原因：
| 部分 | 包含内容 |
|---|---|
| Frontmatter | name、description、type、intent、best\_for、scenarios |
| Purpose | 此技能的作用以及何时使用 |
| Input | 你可以提供的内容（附有示例调用）——空手而来也没关系 |
| Key Concepts | 框架、定义、反模式——附带解释的词汇 |
| Application | 代理（或人类）可以遵循的分步说明 |
| Examples | 展示好版本和坏版本的真实案例 |
| Common Pitfalls | 命名的失败模式，包括后果和纠正措施 |
| References | 相关技能和外部框架 |
best_for 字段列出该技能最适用的 3-5 个具体场景，帮助你快速判断是否适合当前情况。
工作方式
技能分为三个递进的层级：
- 工作流技能（19 个）：完整的端到端 PM 流程（数天到数周），例如运行完整的发现循环或编写一份 PRD。
- 交互式技能（27 个）：引导式发现——先问 3-5 个问题，然后给出建议，例如「哪种优先级框架最适合这里？」
- 组件技能（24 个）：适用于特定 PM 交付物的模板（30-90 分钟），例如编写带验收条件的用户故事。
交互式技能使用自适应决策阶梯：它们会针对你的特定背景提出 3-5 个有针对性的问题，提供带有「何时使用」理由的编号建议，并在执行过程中解释为什么。你也可以只要求学习框架而无需实际工作。
你需要提供
- 你的具体背景信息：技能会用 3-5 个问题向你收集，配合回答即可得到针对性建议
- 输入可以是空的——技能的 Input 部分说明「空手而来也没关系」，技能会引导你完成
- 按平台选择设置方式：Claude Desktop/Web 走 Claude Code + GitHub ZIP 上传；Codex 用本地工作空间或与 GitHub 连接的 Codex on ChatGPT；ChatGPT 走 GitHub 应用、自定义 GPT 知识库或基于项目的方式
你会获得
- 具体 PM 交付物：结构化 PRD、带 Gherkin 验收标准的用户故事、路线图、定位声明、竞品战卡、市场规模测算
- 分析方法与结论：机会解决方案树加最小 PoC 建议、优先级框架推荐、SaaS 健康诊断、功能投资建议
- 命名的失败模式清单与纠正措施，以及每一步「为什么这么做」的解释
使用示例
在 Cola 中安装时，本组合提供两种方式：
- 智能安装：由 Cola 评估后安装最适合你的 Skill
- 全部安装：安装组合内全部 55 个可安装子 Skill
典型触发指令：
用 problem-framing canvas 重新梳理这个需求，区分用户问题、业务目标和验证假设。为这个产品机会画一棵 Opportunity Solution Tree，并推荐最小 PoC。帮我准备一场用户发现访谈，输出 Mom Test 问题和访谈后整理模板。技能也可转换为可重复使用的斜杠命令，例如 /pm-story。
许可证
CC BY-NC-SA 4.0 — 非商业用途，相同方式共享。
- 可以在日常工作中使用这些技能——在营利性公司、与团队、在你的代理中使用
- 可以改编和混搭，在同一许可证下分享成果并注明出处
- 可以用它们教学——研讨会、午餐分享会、指导
- 不要出售：未经明确的书面许可，不得将技能本身重新打包到付费产品、课程或服务中
